图像去噪-算法分类

噪声影响

图像在采集的过程中，难免会收到外接或相机内部的干扰，导致采集到的图像上存在或多或少的噪声。如果噪声比较严重，在后续的分析处理之前需要对图像进行一次去噪处理，否则将会严重影响视觉效果以及分析结果。

噪声模型可参考上篇文章 https://blog.csdn.net/Ango_/article/details/115423693

去噪算法的分类

• 滤波算法
  • 空间域
    • 局部滤波
      • 线性滤波
        • 均值滤波 https://blog.csdn.net/Ibelievesunshine/article/details/104891826
        • 高斯滤波 https://blog.csdn.net/ytang_/article/details/5274949
      • 非线性滤波
        • 中值滤波 https://blog.csdn.net/Monster_H7/article/details/83788754
        • 双边滤波 https://blog.csdn.net/piaoxuezhong/article/details/78302920
    • 非局部滤波
      • 非局部均值滤波 https://blog.csdn.net/Frankgoogle/article/details/52209901
  • 转换域
    • 傅里叶变换 https://blog.csdn.net/qq_37691909/article/details/105057293
    • 小波变换 https://blog.csdn.net/zhang0558/article/details/76019832
    • 维纳滤波 https://blog.csdn.net/weixin_41730407/article/details/80455612
    • 多尺度变换(脊波/曲波/轮廓波/条带波)
  • 混合域
    • 三维块匹配(BM3D) https://blog.csdn.net/weixin_45250844/article/details/103153155
• 稀疏表达
  • K-SVD https://blog.csdn.net/weixin_44580210/article/details/113913666
  • LSSC https://blog.csdn.net/edogawachia/article/details/79600202
  • NCSR (Non-local Centralized Sparse Representation)
• 低秩聚类
  • NNM (Nuclear Norm Minimization)
  • WNNM (Weighted Nuclear Norm Minimization)
• 统计模型
  • HMM (Hidden Markov Model)
  • Gaussian Mixture Model
• 深度学习方法
  • Noise2Void https://blog.csdn.net/seniusen/article/details/105653496
  • DnCNN https://www.jianshu.com/p/3687ffed4aa8
  • FFDNet https://blog.csdn.net/zbwgycm/article/details/82848893
  • MPRNet https://blog.csdn.net/Charmve/article/details/114770372

总结

随着神经网络这些年的飞速发展，基于深度学习的去噪算法也在不断的涌现出来，去噪效果也明显比传统的去噪算法好不少，对于深度学习在去噪方面的最新应用，感兴趣的可以持续保持关注。